Locomotion Mode Classification Using a Wearable Capacitive Sensing System
原文：DOI: 10.1109/TNSRE.2013.2262952
2013年
翻译：靠岸学术
目录
摘要
Locomotion mode classification is one of the most important aspects for the control of powered lower-limb prostheses. We propose a wearable capacitive sensing system for recognizing locomotion modes as an alternative solution to popular electromyography (EMG)-based systems, aiming to overcome drawbacks of the latter. Eight able-bodied subjects and five transtibial amputees were recruited for automatic classification of six common locomotion modes. The system measured ten channels of capacitance signals from the shank, the thigh, or both. With a phase-dependent linear discriminant analysis classifier and selected time-domain features, the system can achieve a satisfactory classification accuracy of % % and % % for able-bodied subjects and amputee subjects, respectively. The classification accuracy is comparable with that of EMG-based systems. More importantly, we verify that neuro-mechanical delay inherent in capacitive sensing does not affect the timeliness of classification decisions as the system, similar to EMG-based systems, can make multiple judgments during a gait cycle. Experimental results also indicate that capacitance signals from the thigh alone are sufficient for mode classification for both able-bodied and transtibial subjects. Our investigations demonstrate that capacitive sensing is a promising alternative to myoelectric sensing for real-time control of powered lower-limb prostheses.
Index Terms—Capacitive sensing, linear discriminant analysis (LDA), locomotion mode classification, lower-limb prosthesis, gait classification, wearable sensing system.
运动模式分类是动力下肢假肢控制中最重要的方面之一。我们提出了一种可穿戴的电容传感系统，用于识别运动模式，作为流行的基于肌电图（EMG）系统的替代解决方案，旨在克服后者的缺点。招募了八名健全受试者和五名胫骨截肢者，用于自动分类六种常见的运动模式。该系统测量了来自小腿、大腿或两者的十个通道的电容信号。通过相位相关的线性判别分析分类器和选定的时域特征，该系统可以分别实现健全受试者和截肢受试者令人满意的分类精度，分别为% %和% %。分类精度与基于EMG的系统相当。更重要的是，我们验证了电容传感中固有的神经机械延迟不会影响分类决策的及时性，因为该系统与基于EMG的系统类似，可以在步态周期内做出多个判断。实验结果还表明，仅来自大腿的电容信号足以对健全受试者和胫骨截肢受试者进行模式分类。我们的研究表明，对于动力下肢假肢的实时控制，电容传感是一种有前景的肌电传感替代方案。
索引词—电容式传感，线性判别分析（LDA），运动模式分类，下肢假肢，步态分类，可穿戴传感系统。
1引言
假肢在截肢者的日常生活中起着重要的作用。目前大多数市售的下肢假肢都是能量被动的。虽然它们极大地提高了下肢截肢者的生活，这些被动式下肢假肢存在缺陷，因为它们与更多的代谢功率和不对称的步态模式相关 [1]。因此，电动下肢假肢在研究领域越来越受欢迎 [1]–[9]。电动下肢假肢的控制是一个主要的挑战，因为该设备必须“智能地”识别人们的运动模式，并及时灵活地调整控制模式 [10]–[15]。
肌电图（EMG）信号，无论是通过表面电极还是肌肉内电极传递，都包含丰富的信息，从中可以检测和识别动作执行者的运动意图。基于EMG的上肢运动模式分类已经研究了很长时间，并在数据分割、特征提取和分类方面取得了显著的成果[16]–[20]。EMG甚至已被应用于假肢手和其他上肢辅助设备的控制[21]–[23]。与上肢假肢的研究相比，使用EMG进行下肢运动分类的研究有限[7]，[10]，[24]，这可能是由于对下肢假肢的安全性和稳定性的高要求。早期对EMG控制的胫骨下假肢的研究要求截肢者有意识地收缩胫骨前肌、内侧和外侧腓肠肌，以触发水平地面行走和下楼梯控制模式之间的转换[10]。这种控制方案不直观且断断续续，无法实现流畅的假肢控制。后来的研究系统地将模式识别算法应用于EMG数据流，并借助机械信号，自动对运动模式进行分类[7]–[9]。尽管尚未实现实时分类，但这些研究已经产生了有希望的结果，这些结果正在引导我们走向智能下肢假肢的可行和实用的解决方案。
尽管肌电信号被广泛使用，但其在假肢控制中的应用存在一些局限性。肌电信号是微伏级别的微弱信号。因此，它们难以测量，需要专门的信号放大。非侵入性表面肌电电极被广泛用于肌电信号采集，因为侵入性电极通常不被人们接受。然而，表面肌电信号容易受到诸如肌肉疲劳和出汗等因素的影响[25]。出汗也会干扰肌电信号。为了获得良好的信噪比，动力假肢必须配备一个精心设计的硬件系统，该系统能够在移动性和成本的约束下放大、过滤和处理肌电信号。另一个问题是残余肌肉的可用性，以便对截肢者进行可靠的肌电测量。适合放置电极的位置有限，并且在截肢者之间差异很大。总而言之，肌电信号及其测量的局限性阻碍了其在假肢控制中的应用。
在本研究中，我们提出了一种可穿戴的电容传感系统，该系统成本低廉、易于实现，并且能够以可接受的延迟准确地执行运动模式分类。电容信号反映了运动过程中肌肉收缩引起的腿部形状的细微变化。它们携带有关运动状态的特征信息，例如特定的步态阶段和步态模式转换。作为运动意图的指示，这些信号滞后于直接从大脑皮层记录的神经信号，但它们紧随肌电图（EMG）信号之后，延迟为数十毫秒[26]–[28]。电容传感已应用于人体运动分类[29]，[30]，并具有良好的性能。然而，这项技术从未应用于截肢者的运动模式分类。我们设计了一种具有简单电路的可穿戴电容传感系统，并在八名健全受试者和五名胫骨截肢者中测试了其性能。通过选择的特征集和一个简单的相位相关的线性判别分析分类器（LDA），我们的系统可以在识别运动模式方面达到与当前基于肌电图的系统相当甚至更好的性能[7]。重要的是，我们的系统部分克服了肌电图系统的缺陷，并为智能假肢设计提供了一种低成本的替代方案。
2测量系统
我们首先意识到，腿部形状会不断变化，这是由运动过程中典型的但协调良好的肌肉收缩驱动的。我们的主要目标是用两组独立的电容器阵列记录小腿和大腿上的这些形状变化[图1(a)]。每组电容器都安装在定制的塑料带上（Klarity Medical and Equipment，广州，中国）：17个由铜片制成的接收电极安装在内表面（小腿7个，大腿10个），一个发射电极单独安装在带上方。如果它们之间的材料（特别是人腿的软组织）的电容根据变化，发射器和接收器之间的阻抗将会改变，其中是驱动信号的频率，在我们的系统中保持不变。电容由许多因素决定，例如电极的面积、电极对之间的距离和介电常数。当面积和距离恒定或变化很小时，电容主要取决于电极之间材料的特性，例如其形状和结构[29]。因此，腿部形状的变化可以通过环绕腿部的电容器阵列的阻抗测量来表示。为了从传感器获得可靠的读数，传感带是根据每个受试者的腿部形状模制的。在电极之间粘贴绝缘橡胶，以防止带子意外滑动。
我们设计的传感前端用于间接测量电容[图1(b)]。发射极、阻抗和串联电阻构成一个电流环路，该环路由来自发射器的100 kHz正弦信号激励。从传感前端测量的数据被馈送到处理电路[图2(a)]，该电路最多可以处理十个通道的信号。电路上的振荡模块(MAX038)产生驱动信号。为了最大限度地减少波形失真，信号在施加到前端之前由驱动模块放大。计算各个电极的原始电压读数的均方根(rms)。它由一个十通道12位ADC集成的微程序控制单元(MCU)采样，然后传输到计算机。该均方根信号被视为模式识别的原始信号。根据对象，电极对之间的估计电容在nF范围内，平均介电常数约为。
图1。(a) 用于大腿的传感前端。电极由0.3毫米厚的铜片制成，并牢固地连接到热塑性环的内表面。每个铜膜的面积约为5 2.5 cm 。(b) 传感前端设计的示意图。接收器电极上的信号幅度受运动引起的腿部形状变化的影响。信号强度通过原始电压读数的rms值来量化。
两个脚踏开关安装在受试者的鞋子上，用于记录足部接触事件[图2(b)和(c)]。检测电路相应地集成在测量系统中。每当脚踏开关接触或离开地面时，都会产生一个触发信号并发送到主电路。主电路以1 kHz的频率采样电容数据和脚踏开关数据，并通过通用异步收发器(UART)将它们传递给计算机。
3方法
A. 受试者与实验方案
八名身体健全的受试者和五名胫骨截肢受试者参与了这项研究，并提供了书面知情同意书。身体健全的受试者的年龄为岁，身高为米，体重为公斤。截肢受试者的年龄为岁，身高为米，体重为公斤。他们在实验中佩戴了自己的假肢。残余小腿长度（髌骨到截肢部位的距离）与健全小腿长度（从髌骨到外踝的测量距离）之间的平均比率为。
对于健全的受试者，分别在大腿和小腿上佩戴两个电容式传感带[图2(c)]。一半的受试者将带子佩戴在左腿上，另一半佩戴在右腿上。对于小腿，我们将带子放置在小腿最突出的部分上方，以防止带子滑落。另一条带子放置在膝盖上方，大腿的下部。发射器电极放置在骨骼区域或肌肉变化最小的位置。首次安装时，会针对每个受试者调整传感带的位置，以保证良好的传感器读数和舒适度。然后，受试者熟悉要执行的任务。在这些熟悉试验中，我们手动选择了每个带子上信号变化最大的五个通道。仅记录这些通道以供后续分析。在实践中，通常选择大腿外侧和后侧以及小腿外侧的电极。胫骨截肢者仅在截肢的腿上佩戴大腿传感带，并测量和分析所有十个通道。
在我们的实验中，我们检查了六种运动模式：站立、坐立、上楼梯、下楼梯、跨越障碍物和正常水平地面行走。我们选择这些运动模式是基于两个考虑。首先，这些运动模式在日常生活中最常发生。其次，它们对动力下肢假肢提出了不同的控制模式要求。横向转弯（在水平地面上向左或向右转弯）被省略，因为它们与水平地面行走具有相似的控制方案。每种模式都在试验中进行。对于站立，要求受试者在一次试验中静止站立10秒。对于坐立，所有健全的受试者和五名截肢受试者中的四名被要求坐在42厘米高的椅子上，而剩余的截肢受试者则坐在他喜欢的65厘米高的椅子上10秒。对于上楼梯和下楼梯，受试者上下一个四级楼梯。每个台阶的宽度为75厘米，深度为40厘米，高度为15厘米。所有健全的受试者和两名截肢受试者都可以用正常的交替模式爬楼梯。其他三名截肢受试者在下楼梯时一次走下一个台阶。对于跨越障碍物，要求受试者跨越八个障碍物，这些障碍物在一个笔直且水平的路径上间隔70厘米。对于健全的受试者，障碍物的宽度为40厘米，深度为18厘米，高度为25厘米；为了安全起见，对于截肢受试者，障碍物调整为宽度40厘米，深度25厘米，高度18厘米。对于健全的受试者，要求未测试的腿首先跨越障碍物fi，然后是测试的腿。所有截肢受试者都根据自己的喜好，先用截肢的腿跨越障碍物。对于行走，所有受试者以他们喜欢的速度直线行走13步。我们将实验试验组织成若干个区块，在这些区块中，不同的运动模式以随机但预定义的顺序连续进行。每种模式都在试验中进行测试；对于站立、坐立、行走、跨越障碍物、上楼梯和下楼梯，一个区块内的试验次数分别为5、5、6、5、15和15。选择试验次数是为了使不同运动模式下的步数大致相同。该实验由七个区块组成，区块之间有分钟的休息时间。对于截肢受试者，休息时间可以根据他们的要求延长至多10分钟。
B. 分类
1) 依赖于相位的分类：与EMG信号类似，电容信号是准周期的（图3）。换句话说，步态周期内的电容信号是依赖于相位的，并且在同一相位下信号模式相似。截肢者的信号由于步态模式的改变而表现出不同的特征，但它们同样是准周期的（未显示）。鉴于信号的相位依赖性，我们在步态周期的特定相位内进行了分类，这些相位由两个显著事件分隔，即脚接触地面（FC）和离开地面（FO）[7]。FO被确定为当两个脚踏开关都关闭的第一个时刻，而FC被确定为当其中一个脚踏开关打开的第一个时刻。基于这两个事件，四个相位被定义为FC之前（Pre-FC）、FC之后（Post-FC）、FO之前（Pre-FO）和FO之后（Post-FO）。对坐姿和站姿的分析不需要相位检测，因为无法利用任何脚接触事件。为了做出连续的分类决策，在每个相位的数据流上使用了滑动窗口（见下文）。
2) 特征集和分类器：尽管基于电容的传感技术已被提出很久，但对于用于运动模式分类的合适特征集，鲜有系统的研究[29]。在初步检查电容信号后，时域特征成为合适的候选者。我们评估了一系列时域特征，包括原始信号及其一阶导数（包括其绝对值）的均值、均方根值、标准差、最大值、最小值、四分位距和平均绝对偏差。采用前向选择方法来选择特征集。首先使用单个特征进行分类，然后将表现优于其他特征的特征列入候选名单。然后将它们成对分组并再次测试。再次将表现突出的对列入候选名单，并添加第三个特征。重复这些步骤，直到新添加的特征无法进一步提高跨受试者的分类准确率。如果出现以下情况，则检测到无法进一步改进：1) 跨受试者的交叉验证准确率（见下文）的平均改进小于0.05%；或 2) 对于一个或多个受试者，分类准确率下降超过0.5%。此外，我们评估了三种分类器的性能，包括 LDA（线性判别分析）、QDA（二次判别分析）和 LR（逻辑回归）。它们的最优特征集是分别选择的。
3) 性能评估：为了可靠地评估分类器硅
图 2。(a) 测量系统架构。振荡电路产生正弦波形，该波形由驱动器放大，然后馈送到传感端。来自传感端和脚踏开关的信号由 MCU 接收，MCU 执行 AD 转换。然后，MCU 将数据传输到计算机。(b) 佩戴在胫骨截肢者身上的电容式传感系统。(c) 佩戴在健全人身上的电容式传感系统。
图 3. 从一位健全受试者在清除障碍物、行走、上楼梯、下楼梯、坐和站立期间，从十个电容式传感器通道记录的原始均方根 (rms) 信号。五个信号通道来自大腿，另外五个来自小腿。对于上楼梯、清除障碍物、下楼梯和行走，显示了一个完整步态周期的信号。步态周期开始于脚与地面接触，结束于下一次脚与地面接触。对于坐和站立，显示的信号是从长度为 2.5 秒的试验中随机选择的。红色实线表示足部接触 (FC)，红色虚线表示足部离开 (FO)。(a) 清除障碍物。(b) 行走。(c) 上楼梯。(d) 下楼梯。(e) 坐。(f) 站。
总体分类误差 (CE) 的计算公式为
使用留一法交叉验证(LOOCV)计算分类误差。在七个实验组中，我们随机选择六组作为训练数据集，剩余的一组作为测试数据集，以评估分类的准确性。此过程重复七次，并计算总体性能。
其中 是错误标记的测试事件的数量， 是测试事件的总数。
精确率和召回率定义为
和
其中 和 分别是模式 的真正阳性、假阴性和假阳性的数量。
由于某些模式比其他模式更容易被错误标记为其他模式，我们构建了混淆矩阵来量化误差分布。
其中每个元素定义为
是模式中被错误标记为模式的事件数，而是模式中的事件总数。因此，较高的非对角线数字表示较高的错误分类率。
C. 分类中的参数
连续数据流被分割，以便在步态周期内做出多个分类决策。对于我们的相位相关分类，影响数据分割的参数包括数据段的大小（窗口大小）、相位窗口的大小（相位大小）、数据窗口的增量（窗口增量）以及所选信号通道的组合（测量位置）。
1) 窗口大小：连续的电容数据流被分割成多个窗口片段，从中可以提取特征。一方面，较大的窗口通常可以提取更多相关信息，从而提高分类准确率。另一方面，较大的窗口会导致识别模式转换的延迟，从而影响假肢的实时控制。因此，我们需要通过权衡准确率和响应时间来确定最佳窗口大小。我们系统地将窗口大小在 70 到 190 毫秒之间变化，并研究其对性能的影响。
2) 阶段大小：定义四个阶段（Pre-FC、Post-FC、Pre-FO 和 Post-FO），用于在执行分类之前分割数据流。这种依赖于阶段的分类具有
已成功应用于基于肌电信号的运动分类[7]。相位大小决定了连续数据流中可用于分类的数据总量。然而，它也受到足部接触事件（FC和FO）之间的时间间隔的限制，因为应避免相位重叠。在我们检查的任务中，正常步行的事件间间隔最小，健全受试者和截肢受试者分别为439毫秒和499毫秒。因此，我们将最大相位大小定义为220毫秒（最小间隔的一半）。在此约束下，改变相位大小以评估其对分类性能的影响。
3) 窗口增量：数据窗口可以在一个阶段内滑动，以进行多次分类判断。此窗口增量决定了决策之间的延迟，并与窗口大小一起决定了分类决策的数量。我们通过将窗口增量从 10 毫秒变化到 50 毫秒来研究窗口增量的影响。
4) 测量位置：对于健全的受试者，可以测量来自小腿和大腿的信号。但对于胫骨截肢者，我们只能收集来自大腿的信号。为了研究可以从腿部不同位置提取多少有用信息，我们比较了仅基于小腿信号、仅基于大腿信号以及同时基于两者信号的分类性能。我们还将截肢受试者（仅有大腿传感器）与具有不同传感器组合的健全受试者进行了比较。
D. 其他混淆因素
1) 出汗：电极和皮肤之间的汗液会影响电容读数，并且在长时间活动后是不可避免的。对于某些传感器，例如，EMG，它会显著影响识别性能[25]。在实验的前半部分，出汗几乎不被注意到，而在实验的后半部分可以观察到。因此，可以通过比较前三个区块的信号的分类性能和后三个区块的信号的分类性能来评估出汗对我们传感系统的影响。
2) 腿部优势：优势腿和非优势腿的步态特征通常不同。对于健康人来说，这种不对称性是细微的，但我们想研究它是否会影响我们的分类性能。腿部优势的可能影响对于截肢者也很有意义，因为他们受影响的一侧可能不同。因此，对于健康对照组，一半的人将系统佩戴在左腿（非优势腿）上，另一半佩戴在右腿（优势腿）上。比较了这两组之间的分类性能。截肢者总是将系统佩戴在他们受影响的腿上。
4结果
A. 特征集和分类器
分别针对三种候选分类器（LDA、LR 和 QDA）进行了特征选择。LDA 分类器的最佳特征集包括窗口信号的均值、最大值、最小值和均方根值，而 LR 分类器的最佳特征集包括最大值、最小值、均方根值和标准差，QDA 分类器的最佳特征集包括均值和最小值。对三种分类器及其最佳特征集和最佳参数组合（相位大小、窗口大小和窗口增量；参见下文的选择过程）的分类性能进行了并排比较（图 4）。进行单向重复测量方差分析，以比较三种分类器在每个相位中的分类误差。结果表明，LDA 和 LR 的平均分类误差相似（分别为 % % 和 % %）。在所有四个阶段（Pre-FC、Pre-FO、Post-FC 和 Post-FO 的 0.899、0.567、0.195 和 0.699）中，它们的错误率没有显着差异）。QDA 的性能较差，因为它在所有四个阶段产生的错误（% %）明显多于 LDA 和 LR。
图 4. LDA、LR 和 QDA 在四个步态阶段的分类误差。数据显示为八名健全受试者的平均值 SEM。这些分类误差是通过特征集、阶段大小、分析窗口大小和窗口增量的最佳组合生成的（见下文）。
由于LDA提供了稍微好一点的预测精度和快速执行，我们选择它用于后续分析。
B. 相位大小、分析窗口大小、窗口增量和测量位置
我们首先测试了在没有足部接触事件的情况下进行实时分类是否能达到可接受的分类性能。分类采用 150 毫秒的分析窗口和一个 LDA 分类器进行。10 毫秒和 50 毫秒窗口增量的分类误差分别为 28.94% 和 28.89%。这些结果显然是实际应用中无法接受的。随后，我们将数据流分成站立相（从 FC 到 FO）和摆动相（从 FO 到 FC），并在每个阶段内分别执行相同的滑动窗口分类。对于 10 毫秒和 50 毫秒窗口增量，摆动相的分类误差分别为 17.03% 和 17.22%。对于站立相，它们分别为 24.53% 和 24.78%。同样，这种伪实时分类无法达到令人满意的分类性能，表明有必要进行依赖于相位的分类。
然后，我们使用了第三节中定义的四个相位窗口。总体而言，当相位大小从150毫秒增加到220毫秒时，分类误差增加，而窗口增量没有显著差异[图5(a)]。较大的相位大小导致分类误差显著增加（，单因素重复测量方差分析）。所有成对比较均具有显著性，表明相位大小的每次增加都会导致误差增加。然而，当相位大小从150毫秒变化到210毫秒，且窗口增量固定为20毫秒时，这种误差增加仅为1.25%。窗口增量对分类性能的影响也很小。例如，当增量从10毫秒变为50毫秒，且相位大小固定为190毫秒时，分类误差增加了0.89%。为了权衡分类决策的准确性和及时性，我们将相位大小设置为190毫秒，窗口增量设置为20毫秒，以进行后续分析。
图 5。(a) 使用 10 毫秒和 20 毫秒的窗口增量，以及 150 毫秒到 220 毫秒的相位大小，在八名健全受试者上的平均分类误差。结果是通过使用 LDA 分类器和 150 毫秒的分析窗口大小获得的。请注意，对于 20 毫秒的窗口增量，显示的数据少于 10 毫秒的窗口增量，因为分析窗口在较大的窗口增量下移动的频率较低。(b) 平均分类误差作为窗口大小的函数。四个阶段（Pre-FC、Post-FC、Pre-FO 和 Post-FO）分别绘制。数据来自八名健全受试者，使用 LDA 分类器，相位大小为 190 毫秒，窗口增量为 20 毫秒。误差条和颜色阴影表示受试者之间的 SEM。
窗口大小极大地影响了分类性能[图5(b)]。较小的窗口意味着用于分类的数据较少，这反过来导致较大的误差。随着窗口尺寸的增加，误差急剧下降，但在150毫秒左右趋于平缓。对于不同的步态，这种趋势是相似的
阶段。因此，我们取各阶段的平均值，并对窗口大小进行单因素重复测量方差分析。主要效应显著。连续大小之间的两两比较显示，直到150毫秒后才产生显著效应。因此，我们选择150毫秒作为我们的最佳窗口大小，以权衡准确性和响应时间。
我们比较了来自大腿、小腿以及两者[图 6(a)]的信号的分类性能。对于所有四个阶段，使用来自小腿和大腿的信号进行分类获得了最佳性能，而仅使用来自小腿的信号表现最差。单因素重复测量方差分析表明，所有四个阶段的差异均具有统计学意义。事后配对比较证实，最佳分类性能确实是来自小腿和大腿的信号，并且在所有四个阶段中，仅使用小腿和仅使用大腿之间的差异并不显着（Pre-FC、Post-FC、Pre-FO 和 Post-FO 分别为 0.069、0.112、0.124 和 0.231）。令人惊讶的是，截肢受试者仅使用来自大腿的信号的分类性能与健全受试者相当。事实上，在 Pre-FC 和 Post-FO 阶段，其性能甚至略好于健全受试者的平均性能。应该注意的是，对于截肢受试者，我们从大腿测量了十个通道的信号，而对于健全受试者，我们仅从大腿测量了五个通道的信号。因此，似乎是信号通道的数量决定了电容感应的分类性能。因此，我们选择了所有八名健全受试者，他们的大腿上有十个通道的电容数据[图 6(b)]。与仅使用五个通道相比，使用大腿上的所有十个通道的信号产生的分类误差明显更低。此外，我们没有发现使用十个大腿通道和使用五个小腿和五个大腿通道之间存在显着差异。这些结果证实了我们的推测，即决定分类准确性的是数据通道的数量，而不是位置。无论数据来自一个位置（大腿）还是两个位置（大腿和小腿），十个通道的数据的性能都相似。总而言之，我们的结果表明，对于健全参与者以及胫骨截肢者，仅使用来自大腿的信号即可实现令人满意的分类。
C. 其他混淆因素
我们分别使用前三个区块和后三个区块的数据进行了单独的分析，以评估汗水可能产生的影响。八名健全受试者的平均误差为这两个时期分别为 % % 和 % %。因此，这两个时期的准确率没有显著差异（ ，Wilcoxon 符号秩检验），表明长时间使用引起的汗水不会显著影响识别性能。
我们还将分类性能与优势腿和非优势腿的测量结果进行了比较。左侧磨损者和右侧磨损者的平均分类误差分别为 % % 和% %。差异无统计学意义（，曼-惠特尼检验）。因此，腿部优势不会影响系统的分类性能。
图 6。(a) 不同信号通道组合的分类错误。数据来自八名健全的受试者。结果是通过使用 LDA 分类器获得的，该分类器具有 150 毫秒的窗口大小、20 毫秒的窗口增量和 190 毫秒的相位大小。(b) 来自八名健全受试者的不同信号通道组合的分类错误，这些受试者也参与了一项对照实验，其中从大腿获取了十个通道的数据。显示了来自该对照实验和原始实验的分类错误。
D. 总体分类准确率
在确定了上述最佳参数（相位大小 190 毫秒，窗口大小 150 毫秒，窗口增量 20 毫秒）后，我们估计了所有受试者的总体分类准确率、精确率和召回率。对于八名健全的受试者，避障、行走、上楼、下楼、坐姿和站立的平均精确率分别为和。相应的平均召回率分别为和（表 I）。对于 Pre-FC、Post-FC、Pre-FO 和 Post-FO，总体分类准确率分别为 % % % % % % % %。我们还构建了混淆矩阵，以评估某些模式是否倾向于被错误标记为其他特定模式
表 I 八名健全受试者的精确率和召回率（平均值 SEM）
表二：八名健全受试者的混淆矩阵（平均值 SEM）（%）
（表二）。各阶段的混淆矩阵表现出惊人的一致性。坐姿的识别准确率最高，四个阶段的平均准确率为96.5%；障碍物规避和行走的分类准确率最低，分别为90.8%和91.7%。对于FC前，行走和下楼梯容易相互混淆：行走有5.3%的时间被错误标记为下楼梯，而下楼梯有5.0%的时间被错误标记为行走。对于FC后，下楼梯有4.7%的概率被错误标记为障碍物规避。对于FO前，行走有6.9%的时间被错误标记为障碍物规避。对于FO后，障碍物规避和上楼梯经常相互混淆。
对于五名截肢受试者，避障、行走、上楼、下楼、坐立和站立的平均精度分别为。相应的平均召回率分别为和（表三）。总体分类准确率与健全受试者获得的准确率相似，Pre-FC、Post-FC、Pre-FO 和 Post-FO 的准确率分别为 % % % 和 %（表四）。然而，截肢者混淆矩阵的相位依赖性略有不同。站立和坐立是识别准确率最高的两种模式，分别为 99.2% 和 98.0%。避障是最容易被错误标记的模式，平均准确率为 86.9%。对于 Pre-FC，避障很容易被错误标记为上楼（4.8%）和下楼（4.9%）。对于 Post-FC，避障、行走和下楼很容易相互错误标记。对于 Pre-FO 和 Post-FO，避障、上楼和下楼很容易相互混淆。
5讨论
我们验证了可穿戴电容传感系统在健康人和截肢者中用于运动模式分类的有效性。在探索了一系列信号特征和分类器之后，我们提供的证据表明，通过适当选择的特征集和系统参数，电容传感系统可以实现出色的分类性能，与基于肌电图（EMG）的系统相当。我们的系统在胫骨截肢者残肢测量的信号中也表现出优异的性能，进一步证明了其稳健性和有效性。我们认为电容传感是一种有前景的技术用于动力智能假肢实时模式分类的肌电感应替代方案。
表 III 五名截肢者受试对象的精确率和召回率（平均 SEM）
表四 五名截肢受试者的混淆矩阵（平均 SEM）（%）
基于电容的传感系统由于以下原因，是一种很有前途的替代方案。首先，与基于EMG的系统相比，该系统可以提供出色的准确性和快速响应。对于健康对照组和截肢者，平均准确率分别为93.6%和93.4%。相位依赖分类方案与数据流上150毫秒的滑动窗口相结合，可以在一个步态周期内产生多个分类决策。这一结果令人鼓舞，因为使用电容传感作为EMG的替代方案的一个关键问题是，反映微小肢体变形的电容信号在时间上滞后于肌肉激活。我们的结果表明，较小的时间滞后不会影响整体分类性能。
其次，系统的性能可随信号通道的数量扩展。对于健康对照组，使用十个电容通道的系统性能明显优于五个通道[图6(a)和(b)]。一个有趣的发现是，这种性能提升与额外五个通道的位置无关，无论是在小腿还是在大腿上。此外，当两组的所有十个通道都位于大腿上时，截肢者和健康对照组的性能同样出色。这些结果表明，在肢体的单个位置进行测量可以为健康人和截肢者的运动模式分类提供足够的信息。我们假设如果安装更多的电容通道，性能可以进一步提高。请注意，这种系统的易于扩展性是优于肌电图(EMG)系统的另一个优势，肌电图系统受到残肢上可用于收集高质量肌电信号的有限电极位置的限制。
第三，我们基于电容的系统中的信号预处理是极简的。原始电压信号被数字化并数值转换为均方根值，无需任何放大或filtering，而这两者对于肌电图系统是强制性的。这意味着可以简化系统的预处理模块。结合简单的电容传感器，电容系统的总体成本远低于基于肌电图的系统。
本次调查构成了我们利用电容传感构建智能假肢控制的初步尝试。基于我们的实验结果，我们提出以下建议。首先，相依方法对于获得可接受的分类性能是必要的。当我们将实时滑动窗口方案应用于我们的数据集而不考虑时，分类精度会大大降低
足跟着地事件。基于肌电信号的研究也报告了类似的结果 [7]。在使用足跟着地确定的相位方案下，只要使用足够大的窗口尺寸，分类精度在一定范围的相位尺寸和窗口增量尺寸下是可以接受的[图5(a)]。其次，为了获得可接受的性能，信号的窗口尺寸应不小于150毫秒。通常，较大的数据窗口会带来更好的性能，但其改进很快就会饱和[图5(b)]。150毫秒的窗口尺寸在平衡准确性和及时响应方面是最优的。第三，有限的时间域特征集和一个简单的LDA分类器足以满足我们的分类目的。与跨越较大频带的肌电信号不同，基于电容的信号，特别是均方根电压信号，是慢变信号，可以用时域特征充分表征。我们假设这是我们看似简单的特征集和一个普通的LDA分类器能够实现卓越性能的主要原因之一。
分类中的错误率取决于步态阶段，并且截肢者和健康对照组之间的这种依赖性略有不同。对于健康对照组，在Pre-FC期间，跨越障碍物容易被错误标记为行走和上楼梯，而行走和下楼梯经常相互混淆。在Post-FO阶段观察到类似的分类错误模式，表明在自由摆动期间，这些运动模式下的腿部形状变化相似。相应地，这两个阶段在四个阶段中具有最高的总体分类错误率。相比之下，对于截肢者，四个阶段的平均分类错误率相似。我们观察到在足离地前后（Pre-FO和Post-FO）的两个阶段中，跨越障碍物、上楼梯和下楼梯容易相互混淆。这可能是由于缺少脚趾关节和踝关节造成的：他们抬起假肢，而没有像健康对照组那样在摆动开始时蹬地，这使得这三种运动模式相似。我们还发现，在Post-FC阶段，跨越障碍物、行走和下楼梯经常相互错误标记。这种趋势可能与截肢者使用患肢的特殊方式有关：他们更喜欢将患肢（和被测试的）腿放在较低的楼梯上，并将其用作摆动未测试腿的枢轴。同样，他们首先用患肢跨过障碍物以提供支撑。在支撑阶段，被测腿上的被动负荷可能导致类似的腿部形状变化。
我们的电容传感系统虽然前景广阔，但仍存在局限性，需要进一步改进。它不足以独立用于智能假肢控制系统，应与其他传感器（类似于肌电图传感）结合使用。就其目前的硬件形式而言，它很难安装在经股截肢者的大腿上，他们可能需要将传感带集成到假肢接受腔中。它在接受腔中的有效性需要进一步的实验验证。例如，在接受腔中长期使用硬质传感带可能会导致压力性溃疡，从而可能污染信号。一种潜在的解决方案是用更灵活、更精确的光纤传感材料取代当前的传感前端 [29]。柔软的光纤材料意味着它可以佩戴在多个位置，包括在接受腔内和未受影响的腿上（如果需要），以便为控制和分类提供更有意义的运动信息。
我们目前使用鞋上的两个脚踏开关来提供触发信号，以分割步态阶段。它们可以被安装在假肢踝关节处的应变计所取代，以提供相位检测以及关于接触力的信息，从而实现更好的识别。我们认为这不仅可以简化系统，还可以使其对地形变化更具鲁棒性。我们还可以通过使用电压信号的均方根以外的测量方法来量化容性信号。这可能会为寻找更好的特征集打开机会。
动力假肢通常配备各种传感器，包括陀螺仪、测角仪以及足底和接受腔内的力传感器阵列，以及肌电图电极 [2]，[8]，[10]，[13]。我们认为，考虑到电容传感与基于肌电图的系统具有相似的性能，它可以成为这一武器库的重要补充。
6结论
在本研究中，我们提出了一种电容传感系统，作为下肢假肢控制的运动模式分类工具。我们的系统设计和实施简单，但它提供了出色的分类精度和及时的响应，与基于肌电图（EMG）的系统类似。电容传感本质上测量活动期间腿部的形状变化；我们的实验证明，即使是从胫骨截肢者的残肢收集到的这些信息，也足以进行运动模式分类，而没有太多时间延迟。作为基于肌电图系统的可行且廉价的替代方案，可以通过继续努力进行硬件设计、与其他传感器集成以及更彻底的实验来进一步改进电容传感。